Применение искусственного интеллекта в прогнозировании показателей разработки газового месторождения

Введение. Использование методов машинного обучения (МО) в разработке нефтегазовых месторождений становится всё более востребованным ввиду растущей сложности добычи и необходимости оптимизации технологических процессов. Традиционные способы анализа данных, такие как эмпирические подходы и аналитические модели, зачастую не справляются с обработкой больших объёмов информации, возникающей в ходе эксплуатации месторождений. Машинное обучение позволяет не только автоматизировать анализ масштабных данных [1], но и выявлять скрытые закономерности и взаимосвязи между параметрами, которые трудно обнаружить традиционными методами \[2]. Это особенно актуально в условиях повышения требований к точности прогнозов и экономической эффективности добычи. Помимо этого, растущая цифровизация нефтегазовой отрасли создаёт дополнительные возможности для применения МО. Алгоритмы машинного обучения используются для оптимизации режимов работы скважин \[3,4], прогнозирования дебита и давления \[5], оценки обводнённости \[6], а также моделирования пластовых процессов. Внедрение этих технологий способствует увеличению коэффициента извлечения углеводородов, снижению затрат и уменьшению рисков аварийных ситуаций. Таким образом, применение машинного обучения становится важным стратегическим инструментом для повышения конкурентоспособности компаний и обеспечения устойчивого развития отрасли. Методы. Машинное обучение (МО) предлагает разнообразные методы для анализа и прогнозирования показателей разработки газовых месторождений. Рассмотрим основные из них: 1. Линейная и нелинейная регрессия. Эти методы используются для выявления взаимосвязей между входными параметрами (например, давление в пласте, температура, характеристики скважины) и выходными показателями (суточный дебит, устьевое давление). Линейная регрессия подходит для задач с простыми зависимостями между переменными, тогда как нелинейные модели применимы для более сложных отношений. В одном из исследований рассматривается использование множественной линейной регрессии для “Фан ва технологиялар тараққиёти” Илмий–техникавий журнал №4/2025 131 Химия и химические технологии прогнозирования параметров разработки нефтяных месторождений. Несмотря на свою простоту, данный метод доказал свою эффективность в моделировании и прогнозировании ключевых показателей [7]. 2. Методы опорных векторов (SVM). SVM применяются для задач классификации и регрессии. В контексте прогнозирования показателей разработки нефтегазовых месторождений SVM помогает анализировать большие объёмы данных и выявлять сложные зависимости между параметрами. В одном из исследований представлена модель прогнозирования добычи нефти и газа, основанная на методе опорных векторов наименьших квадратов (LS-SVM), оптимизированная с помощью алгоритма роя частиц (PSO). Полученные результаты показали высокую сходимость, точность прогнозирования и скорость обучения модели. Использование PSO для настройки параметров LS-SVM позволило повысить производительность модели и улучшить точность прогнозов добычи нефти и газа [8]. 3. Деревья решений и их ансамбли. Такие модели, как Random Forest и Gradient Boosting, являются мощными инструментами для прогнозирования благодаря высокой точности и устойчивости к выбросам в данных, что делает их востребованными в нефтегазовой отрасли. Например, метод Random Forest применяется для прогнозирования пластового давления в процессе разработки нефтяных месторождений [5]. В одном из исследований была разработана непараметрическая многомерная модель на основе случайного леса, учитывающая динамику эксплуатационных показателей скважин во времени. Предложенная модель продемонстрировала высокую корреляцию между прогнозируемыми значениями пластового давления и фактическими данными, полученными из гидродинамических исследований. Метод случайного леса показал более высокую точность прогнозирования по сравнению с традиционными линейными регрессионными моделями. 4. Искусственные нейронные сети (ANN). Нейронные сети широко используются для моделирования сложных нелинейных процессов. В частности, рекуррентные нейронные сети (RNN) и сети с долговременной кратковременной памятью (LSTM) эффективны для анализа временных рядов, таких как изменение дебита и давления во времени. В одном из исследований рассмотрена возможность применения LSTM для прогнозирования режимов работы добывающих скважин в условиях нестационарного заводнения. Обучение и прогнозирование проводились на данных, полученных с помощью гидродинамического моделирования участка, включающего 10 добывающих и 8 нагнетательных скважин. Результаты показали, что при наличии качественной обучающей выборки можно с высокой точностью прогнозировать режимы работы скважин на срок до 7,5 лет [9]. Кроме того, в другом исследовании были представлены продвинутые модели глубокого обучения для прогнозирования временных рядов добычи нефти. Авторы разработали модели на основе LSTM и одномерных сверточных нейронных сетей (1-D CNN), которые были протестированы на данных нефтяного месторождения Volve. Результаты показали, что модель на базе LSTM обеспечивает более точные прогнозы добычи нефти по сравнению с 1-D CNN, с средним абсолютным отклонением (MAE) 111,16 и коэффициентом детерминации (R²) 0,98 [10]. Эти исследования демонстрируют высокий потенциал применения LSTM-моделей для точного прогнозирования показателей разработки нефтегазовых месторождений, что способствует повышению эффективности и оптимизации добывающих процессов. 5. Кластеризация. Методы кластеризации, такие как k-means и DBSCAN, позволяют группировать скважины по схожим характеристикам, что помогает выявлять закономерности в их поведении и оптимизировать управление эксплуатационными режимами [11]. 6. Генетические алгоритмы и оптимизационные методы. Эти подходы применяются для оптимизации параметров разработки месторождений. В частности, генетические “Развитие науки и технологий” Научно–технический журнал №4/2025 132 Кимё ва кимёвий технологиялар алгоритмы используются для прогнозирования вероятности обнаружения углеводородных резервуаров на ранних этапах геологоразведки. Авторы отмечают, что сочетание генетических алгоритмов с другими методами способствует повышению точности прогнозов [12]. На рисунке 1 показаны ключевые алгоритмы машинного обучения, среди которых линейная и логистическая регрессия, методы опорных векторов, деревья решений и алгоритм случайного леса. Рисунок 1 Обзор алгоритмов МО Применяемая модель. С математической точки зрения обучение нейронной сети, направленное на выявление всех существенных физических зависимостей, сводится к задаче аппроксимации временных рядов. Для решения таких задач обычно используют специальные рекуррентные нейронные сети. Поскольку процессы фильтрации на реальных месторождениях обладают инерционностью, влияние одной скважины на другую может проявляться с временной задержкой [13]. Для подобных случаев оптимально подходит рекуррентная модель типа Long ShortTerm Memory (LSTM) [14]. Благодаря своей архитектуре LSTM способны учитывать взаимосвязи между событиями, разделёнными неизвестными временными интервалами, и использовать эти зависимости для более точного прогнозирования [9], что иллюстрируется на рисунке 2. Рисунок 2 Функциональная ячейка LSTM [9] xt-входной вектор в текущим момент времени; ht- выходной вектор скрытого состояния; σ- сигмоидная активация (функция активации); tanhгиперболический тангенс (функция активации). “Фан ва технологиялар тараққиёти” Илмий–техникавий журнал №4/2025 133 Химия и химические технологии В качестве входных параметров для обучения нейронной сети использовались: суточный дебит, устьевое давление, координаты забоя по осям X и Y, радиус дренирования скважины, верхние и нижние границы интервалов перфорации и другие параметры. Целевые переменные — суточный дебит и устьевое давление — а также числовые признаки были нормализованы в диапазоне \[0, 1] для повышения стабильности обучения модели.Данные были упорядочены по дате с целью учёта временных зависимостей и разделены на три выборки: ▪ Обучающая выборка: 70% данных (67 557 записей) ▪ Валидационная выборка: 10% данных (9 600 записей) для промежуточной проверки модели ▪ Тестовая выборка: 20% данных (18 840 записей) для оценки качества итоговой модели Для обучения LSTM входные данные были преобразованы в временные окна длиной time\_steps = 5, что позволило модели учитывать последние 5 временных шагов (наблюдений) при прогнозировании следующего значения целевой переменной. Обучение модели проводилось на тренировочной выборке с контролем метрик на валидационной выборке. Для предотвращения переобучения использовалась ранняя остановка по валидационной ошибке. Результаты и обсуждение Для оценки качества работы алгоритмов применялись следующие метрики: среднеквадратичная ошибка (MSE), средняя относительная ошибка (MRPE) и коэффициент детерминации (R²). Оценка точности метода на тестовой выборке, сравнивающая фактические и прогнозные значения, представлена на рисунке 3. Как видно из графика, данные распределены достаточно плотно и практически не содержат выбросов Рисунок 3. Поле корреляции между фактическими и прогнозным значениями суточного Дебита На рисунках 4 и 5 представлены сравнительные графики фактических и прогнозных значений среднего суточного дебита и среднего устьевого давления на тестовой выборке. В большинстве случаев средняя относительная ошибка (MRPE) по отдельным скважинам не превышает 8% для суточного дебита и 4% для устьевого давления. “Развитие науки и технологий” Научно–технический журнал №4/2025 134 Кимё ва кимёвий технологиялар Максимальное значение MRPE составляет не более 11%, что свидетельствует о высокой точности модели. Рисунок 4 Сравнительный график суточного дебита Рисунок 5 Сравнительный график устьевого давления Заключение. Применение методов машинного обучения для прогнозирования ключевых показателей разработки газовых месторождений открывает новые возможности повышения эффективности и сокращения затрат как временных, так и финансовых. Современные алгоритмы позволяют не только повысить точность прогнозов, но и выявлять “Фан ва технологиялар тараққиёти” Илмий–техникавий журнал №4/2025 135 Химия и химические технологии скрытые закономерности, которые сложно обнаружить с помощью традиционных методов анализа. В работе изучена эффективность рекуррентной нейронной сети LSTM на основе реальных данных работы скважин для прогнозирования основных параметров — суточного дебита и устьевого давления. Разработанная модель может быть применена для планирования добычи и оптимизации эксплуатационных процессов газовых месторождений. Литература: 1. Горбань А.Н. Обучение нейронных сетей. М.: Изд. СССР-США СП «ParaGraph»,1990.160 с. 2. Artun E. (2016) Characterizing reservoir connectivity and forecasting waterflood performance using data-driven and reduced-physics models. In SPE Western Regional Meeting. 3. Бриллиант Л.С., Дулкарнаев М.Р., Данько М.Ю., Елишева А.О., Набиев Д.Х., Хуторная А.И., Мальков И.Н. Управление добычей нефти на основе нейросетевой оптимизации режимов работы скважин на участке опытно-промышленных работ пласта ЮВ1 Ватьеганского месторождения ТПП «Повхнефтегаз» //Георесурсы. 2022. Т. 24. №. 1. С. 315. 4. Вершинин В.Е., Пурицкис Я. В. Нейросетевой анализ, прогнозирование и оптимизация газлифтного способа эксплуатации скважин // Деловой журнал Neftegaz.RU. 2024. №7 (151). С. 22-27. 5. Мартюшев Д.А., Пономарева И.Н., Захаров Л.А., Шадров Т.А. Применение машинного обучения для прогнозирования пластового давления при разработке 439 нефтяных месторождений // Известия Томского политехнического университета. Инжиниринг георесурсов. 2021. Т. 332. №. 10. С. 140-149. 6. Abdrakhmanov I.R., Kanin E.A., Boronin S.A., Burnaev E.V., Osiptsov A.A. (2021). Development of deep transformer-based models for long-term prediction of transient production of oil wells. SPE Russian Petroleum Technology Conference. SPE. 7. Ле Т. Н. С., Бондарев, А.В., Бондарева, Л.И., Монакова, А.С., Баршин, А.В. Применение алгоритмов машинного обучения в прогнозе результата пиролитического анализа // Известия высших учебных заведений. Геология и разведка. 2022. Т. 63. №. 6. С. 8-19. 8. Qiao Y., Peng J., Ge L., Wang H. (2017) Application of PSO LS-SVM forecasting model in oil and gas production forecast / IEEE 16th International Conference on Cognitive Informatics & Cognitive Computing, pp. 470-474. 9. Вершинин В.Е., Пономарев Р.Ю. Нейросетевое моделирование. Прогнозирование показателей добычи скважин в условиях нестационарного заводнения // Деловой журнал Neftegaz.RU. 2022. № 5-6(125-126). С. 26-32. 10. Hosseini S., Akilan T. (2023). Advanced deep regression models for forecasting time series oil production //arXiv preprint arXiv:2308.16105. 11. Mabadeje A.O., Salazar J.J., Ochoa J., Garland L., Pyrcz M. J. (2024). A Machine Learning Workflow to Support the Identification of Subsurface Resource Analogs. Energy Exploration & Exploitation, 42(2), 603-625. 12. Ivlev D. (2023). Generalization with Reverse-Calibration of Well and Seismic Data Using Machine Learning Methods for Complex Reservoirs Predicting During Early-Stage Geological Exploration Oil Field. arXiv preprint arXiv:2304.03048. 13. Баренблатт Г.И., Ентов В.М., Рыжик В.М. Движение жидкостей и газов в природных пластах. – М.: Недра, 1984. 211 с. 14. Шолле Ф. Глубокое обучение на Python – СПб.: Питер, 2018. 400 с. “Развитие науки и технологий” Научно–технический журнал №4/2025 136